Kan AI i FP&A gøre dit arbejde lettere? Sandsynligvis. Vil det kræve noget arbejde? Helt sikkert. Der er en opfattelse af, at kunstig intelligens (AI) og maskinlæring (ML) er “sorte bokse”, hvilket betyder, at det ikke er muligt at se, hvordan de fungerer indvendigt.
Denne mangel på gennemsigtighed og behovet for at blive digital udgør en udfordring, fordi du skal levere nøjagtige prognoser og forstå og forklare de faktorer, der driver resultaterne, for interessenterne. Det er afgørende at etablere mekanismer til overvågning af AI for at sikre, at det udførte arbejde er pålideligt og ansvarligt.
5-trinsmodel til overvågning af ML-prognoser
Hvis du vil vide, hvordan du bruger AI i FP&A, skal du have en klar plan for at gøre det korrekt. Når det gælder ML-prognoser, kræver flere centrale områder overvågning for at sikre, at arbejdet udføres rigtigt. Her er de 5 trin, jeg følger:
Have an account? Log In
1. Kontrollér dine antagelser
Det første trin er at validere de antagelser, der blev gjort under prognoseprocessen. Det indebærer en grundig undersøgelse af de underliggende hypoteser og en sikring af, at de stemmer overens med virksomhedens kontekst. Du bør vurdere, om antagelserne er rimelige, konsistente og baseret på relevante historiske data.
Da jeg for eksempel begyndte at udarbejde prognoser for arbejdsomkostninger under COVID-19, blev modellen trænet på historiske data, men den tog ikke højde for andre forhold såsom stigende efterspørgsel. For et menneske ville denne stigning i efterspørgslen være en “rimelig” ny antagelse, men en maskine ville ikke “tænke” på at inkludere den. Hvis ML-algoritmen var en sort boks, ville du derfor ikke kunne se efterspørgslens indvirkning på det endelige resultat.
2. Kontrollér nøjagtigheden af dine data
Nøjagtige datasæt af høj kvalitet er afgørende for pålidelige prognoser. Som vi siger inden for finans og regnskab: Hvis dine input er skrald, er dine output skrald.
Det er afgørende at kontrollere, at de data, der bruges til at træne ML-modellen, er omfattende, opdaterede og repræsentative for målgruppen. Der bør anvendes teknikker til datarensning og forbehandling for at håndtere afvigelser, manglende værdier og andre problemer med datakvaliteten.
Efter min erfaring er manglende realtidsdata (eller data så tæt på realtid som muligt), der samtidig er pålidelige, den mest almindelige årsag til, at ML-algoritmer ikke fungerer for virksomheder. Du skal have renset, standardiseret og struktureret dine data på en måde, som ML-modellen kan arbejde med.
3. Forstå rationalet bag algoritmen
Hvis du vil vide, hvordan du bruger AI i FP&A, skal du ind i maskinens “sind”. Det er afgørende at forstå rationalet bag den valgte algoritme – du skal vurdere, om algoritmen er egnet til den aktuelle prognoseopgave.
Du bør vurdere, om den valgte ML-algoritme stemmer overens med dataenes karakteristika og prognosens specifikke mål; da AI-modeller typisk er baseret på prædiktiv analyse, skal du kontrollere, at forudsigelserne faktisk giver mening. Denne vurdering er med til at sikre, at algoritmens underliggende antagelser stemmer overens med det finansielle område.
En måde at gøre dette på er at opdele algoritmen i mindre dele og forsøge at forstå matematikken bag hver af komponenterne. Derefter skal du forstå forholdet mellem dem og de tilfælde, hvor algoritmen vil vise bestemte resultater. Hvis du ikke føler dig rustet til selv at håndtere denne del af dataanalysen, kan du finde en AI-ekspert (ingeniør, dataforsker eller en person i en rolle som min) til at dissekere den for dig. Alternativt kan du i stedet bruge et værktøj til statistisk analyse, der er udviklet til at forenkle processen.
Denne vurdering af rationalet skal også kombineres med det næste element: at forstå de drivende faktorer.
4. Forstå de drivende faktorer (& vær i stand til at forklare dem)
Gennemsigtighed i prognoser kræver, at man kan forklare de faktorer, der ligger bag de forudsagte resultater: Uanset om du er en del af et FP&A-team eller CFO, kan du ikke præsentere data, som du ikke forstår.
Du skal forstå de vigtigste variabler og funktioner, der bidrager til de forudsagte resultater. Denne forklaring er med til at skabe tillid og understøtter effektiv kommunikation med de interessenter, der er afhængige af prognosen.
I min egen proces bruger jeg 1 eller 2 dage sammen med den del af virksomheden, som jeg udvikler algoritmen til, før jeg begynder at kode den. Besøg en bestemt fabrik, hvis algoritmen skal forudsige dens forsyningsforbrug, eller tag med på en salgsrejse, hvis algoritmen skal udarbejde en salgsprognose for en bestemt butik.
Når du har fået en fornemmelse for den relevante afdeling, det relevante team eller den relevante facilitet, skal du skrive alle de faktorer ned, der kan påvirke prognosen, og sikre dig, at algoritmen ikke blot leverer et “endeligt resultat”, men også forklarer, hvilke funktioner eller faktorer der bidrog til at nå frem til resultatet.
More Articles
5. Validér resultaterne
ML-algoritmer bør valideres grundigt for at sikre, at deres output giver mening. Dette indebærer en undersøgelse af modellens præstationsmålinger, såsom nøjagtighed, præcision, genkaldelse og gennemsnitlig absolut fejl. Hvis modellens præstation ligger under de acceptable tærskler, kan yderligere finjustering, genindlæring eller undersøgelse af alternative algoritmer være nødvendig.
De seneste par uger har jeg talt med mange økonomifagfolk, og de beskriver dette sidste trin på forskellige måder – nogle kalder det “mavefornemmelse”, mens andre kalder det at kunne “lugte” resultaterne af prognosen.
Kort sagt skal du bruge din empiriske viden og faglige ekspertise til at vurdere, om prognosen giver mening. Du kan bruge matematiske beregninger som beskrevet ovenfor til at gøre dette, men du skal også have indstillingen som en ægte forretningspartner og hele tiden udbygge din forretningsviden for at kunne vurdere resultatet fra en AI-model korrekt.
Dommen
Giv en person ML-automatisering: Så automatiserer personen i én dag. Lær en person at bruge AI i FP&A: Så automatiserer personen resten af livet.
Anvendelsesmulighederne er mange, efterhånden som AI-funktionerne fortsætter med at vokse og blive opdaget. Men forretningsbeslutninger bliver ikke overladt til robotterne endnu.
Fordelene ved AI kan gøre livet lettere for CFO'er og FP&A-fagfolk, men ChatGPT kan i øjeblikket stadig ikke udføre arbejdet på egen hånd.
Hvis du vil være på forkant med udviklingen inden for implementering af AI i økonomifunktionen, kan du tilmelde dig The CFO Clubs nyhedsbrev og få de bedste vejledninger direkte i din indbakke.
